国家自然科学基金项目结题成果科普性介绍——微处理器敏捷设计方法关键技术研究 本项目来源于国家自然科学基金区域创新联合发展基金项目“微处理器敏捷设计方法关键技术研究（No. U19A2062）”，起止时间 2020.1-2023.12。本项目工作概括如下。
一、 主要研究内容 针对微处理器敏捷设计方法的关键科学问题和应用方法开展研究，突破微处理器敏捷设计方法理论与关键技术，包括前端设计建模、微处理器自动生成、设计验证、前端和后端各阶段数据采集和特征提取方法、基于机器学习的后端预测与优化技术，构建前后端设计一体化框架等。将构建的前后端EDA工具链，应用于实际微处理器设计实践，突破微处理器敏捷设计应用方法。提出并构建微处理器敏捷设计方法学及其支撑EDA工具集。
本项目主要研究内容可概括为“一个方法学”和“一套EDA工具链”，如图1所示。
图1 项目主要研究内容
研究内容共涉及到4个环节，首先，项目将依托现有设计流程开展微处理器敏捷设计关键技术的研究。其次在RTL设计建模、设计验证、设计库等环节，通过提升设计建模的描述能力，以支持更广泛的设计重用、更灵活的设计修改、支持基于特征集成的快速设计集成、快速生成微处理器设计的设计探索，以及基于特征的快速验证方法，来加速前端设计的快速设计迭代。第三，引入基于机器学习的预测与优化方法，通过前后端无缝数据收集与共享，对底层设计环节进行基于机器学习的设计预测和优化增强，以减少人工干预，加快设计迭代。第四，通过前后端无缝数据的集成，支持EDA工具的快速重构适配。
二、研究方法与研究结果 2.1 微处理器敏捷设计前端设计、建模与优化方法 进入后摩尔时代后，登纳德缩放定律和摩尔定律走向终结，微处理器设计和架构的新方法变得越来越重要，需要领域特定体系结构(domain specific architecture，DSA)和新的开发方法，来快速生成针对不同应用需求的高效专用芯片[2]。因此，集成电路设计领域也将面临应用需求不断变化、快速应对应用需求和芯片上市时间等压力。芯片设计方法对提高微处理器设计效率的重要性越来越高。与软件开发领域相比，将敏捷设计方法应用于微处理器设计已成为一种可选的解决方法。
可以在软件设计方法中找到对这种多特征同时集成与探索的类比场景—面向特征编程(Feature Oriented Programming，FOP)方法。FOP是在面向对象编程方法之上的一种软件开发方法。其核心思想是将软件分解为更小的块(称为特征)，并根据用户的需求进行组合。FOP 称对象在特征实现中所起的作用为角色(role)。特征模块与对象之间往往是一种正交关系，应用程序的对象通常同时参与多个特征的实现，每个特征的实现通常依赖多个角色之间的合作，因此一个对象可能编码几个不同的角色。通常，一系列的特征组成一个最终的程序，这个程序本身就是一个特征。这样，一个特征既可以是一个可以执行的完整程序，也可以是一个需要进一步组合其它特征才能形成完整程序的程序增量。
遵循微处理器敏捷设计方法的研究成果，项目基于PyRTL语言开展该方法学落地研究，具体为基于PyRTL的FOP建模方法支撑机制的设计与实现，包括设计描述、特征建模、特征集成等，基于等价饱和的组合后设计优化技术，以及基于模糊测试方法的验证技术。
2.1.1 基于PyRTL的FOP设计建模 为支持面向特征编程，我们从两个方面对PyRTL进行了扩展。一方面是扩展Python以支持FOP在语法和语义上的建模。另一方面是实时合成算法。
首先，仍以PyRTL提供的各种RTL建模机制来建模特征模块，且每个特征模块用面向对象方法进行设计与描述。其次，定义了一些机制来帮助设计人员灵活地建模和组合功能，以增加设计的可重用性。具体实现上，在语法上将“+”操作符定义为“合成”(“·”)操作符。在语义上重载PyRTLBlock类的__add__方法来返回组成电路的Block。因此，特征组合公式P=C·B·A可以表示为P=A+B+C。
第三，进一步重载PyRTLBlock类中的__getattr__方法。因此，设计者可以使用信号的名称直接从模块中选择相应的信号。最后，在Block类中增加了一个新的input_circuit方法，将设计细化到PyRTLIR块中，使我们的组合算法能够实时生成组合设计。
2.1.2 基于等价饱和技术的设计优化技术 由于FIRRTL应用较广，且成为事实上的标准，而PyRTL IR可等价自动地转换为FIRRTL，因此，本项目中对组合后设计的优化是在FIRRTL格式上进行的。
项目提出一种基于等价饱和的FIRRTL优化方法。该方法首先从输入的FIRRTL文件创建初始的等价图(E-Graph)，然后利用等价饱和引擎不断运行一组重写规则，直到E-Graph达到饱和。接下来，提取算法会根据给定的 开销模型选择最优的子图，最后，将优化后的子图写回FIRRTL。
直观来说，基于等价饱和的优化技术，是将所有可能的等价的优化都枚举出来，并记录所有这些等价优化的中间结果。最后，基于优化目标函数，扫描一遍所有的优化中间结果，得到最优化的函数解，该解对应的优化中间结果组合成的设计，即为最优的优化设计。
2.1.3 基于模糊测试的设计验证方法 针对目前基于模糊测试方法的不足，本项目在种子输入生成、变异策略选择、覆盖率测度等方面进行了改进：
覆盖率测度方面：选择多路选择器，特别是2-1选择器的控制信号作为覆盖率目标。我们通过定义全选择器跳变覆盖率（Full Multiplexer Toggle Coverage，FMTC）来等效地实现对电路中控制信号的覆盖。FMTC定义为多路选择器在一次测试中，其控制信号值应从0切换到1再切换到0，或从1切换到0再切换到1。此外，定义了断言覆盖率，以体现对功能覆盖的度量。
在种子输入生成方面：根据被测器件的电路结构产生种子输入。计算每个多路选择器的影响锥（Cone-of-Influence，COI）。然后，选择具有最大COI集的复用器，并使用符号模拟和约束求解技术生成能够覆盖所选复用器的测试。生成的测试作为种子输入来启动测试过程。
变异策略选择技术：项目中面向数字电路位向量运算的特点，针对性地实现了AFL中常用的确定性变异和非确定性变异算子。在变异算子和种子输入的选择上，提出了基于马尔科夫链的变异算子选择策略，根据测试反馈，预测并选择能到达更多新覆盖的变异算子和种子输入。
2.1.4 研究结果 研究取得的成果通过在典型微处理器设计上的应用及评估得到验证。首先，以RISC-V和OpenRISC1200两个典型微处理器作为实验案例，评估基于FOP的微处理器敏捷建模方法的有效性。OR1200是一个32位RISC处理器，具有五级流水线。
对比OOP、FOP和直接修改代码三种增量式设计方法的时间开销，可以看出FOP方法相比于其他方法，随着新增指令或指令类型的增加，设计效率显著提升。
表1 OOP、FOP与直接修改代码三种方法的设计效率
其次，评估了本项目设计优化算法的效率，结果如表2所示。评估过程首先利用PyRTL 提供的转化接口将组合的特征模块的中间格式转化为FIRRTL文件。其次，在此基础上生成对应的Verilog文件送入yosys进行逻辑综合得到实际的逻辑单元数，结果如表中第3列所列。同时，将该FIRRTL文件运用框架中的等价饱和优化模块进行优化，与上述类似，生成对应的Verilog文件送入yosys进行逻辑综合得到实际的逻辑单元数，结果如表中第4列所列。表中最后1列给出了基于等价饱和优化方法与FIRRTL库原生的优化方法，在单元数节约上的节约率。
表2 设计优化效果
从表中数据可以看出，基于等价饱和的优化方法可以有效降低面向特征的设计的硬件开销，一些设计的优化效果可以达到 9.764%。
最后是基于马尔科夫链的微处理器模糊测试方法的评估，我们采用了分别在RFUZZ和MPFUZZ中提出的（Mux Toggle Coverage）MTC和（Full Multiplexer Toggle Coverage）FMTC覆盖度量。这两个覆盖率评价标准广泛用于HDSL相关模糊测试工具的覆盖收集。为了实现MTC，多路复用器的控制信号值需要实现0-1或1-0跳转，而为了实现FMTC，多路复用器的控制信号值需要实现0-1-0或1-0-1跳转。
图2 OpenRISC1200测试结果
图2与图3展示了基于马尔科夫链的微处理器模糊测试方法与RFUZZ工具，分别在OpenRISC与RocketChip两个典型微处理器设计上，在两个不同覆盖标准上的结果对比，其中星型标记的折线评价在MTC标准上的结果，红色线条代表本文工具，蓝色代表RFUZZ工具；圆型标记的折现评价在FMTC标准上的结果，绿色线条代表本项目工具，紫色线条代表RFUZZ工具。
从图中得出初步结论，对于两种不同的覆盖标准，在相同的突变次数下，基于马尔科夫链的微处理器模糊测试方法可以获得比RFUZZ更高的覆盖。由于在FMTC覆盖标准中，在单次测试中需要比在MTC覆盖标准中多实现一个信号切换，所以在所有测试用例中，这两种工具在FMTC覆盖标准上的结果比在MTC覆盖标准上表现更差。
图3 RocketCore测试结果
2.2 结合机器学习的微处理器敏捷设计后端设计与优化方法 敏捷设计的主要目标是实现无人参与的设计自动化，因此需要依靠各设计阶段性能的准确预测来有效地指导各个阶段的设计优化，尽可能减少人工干预以及设计的返工迭代。在芯片RTL-to-GDSII设计流程中，敏捷设计方法需要广泛借助机器学习技术，寻求“无人参与”的解决方案。时序性能作为芯片的重要性能指标，在RTL-to-GDSII设计的各个流程中均需要进行静态时序分析。快速、准确和可靠的时序预测，可以将签核（Sign-Off）阶段的时序性能前馈到早期设计流程中，指导早期设计的时序优化和时序收敛，减少芯片设计的迭代次数，缩短迭代周期。
团队顾问 孙家广，中国工程院院士，软件及其应用领域专家。教育部软件工程教指委主任、国家企业信息化应用支撑软件工程技术研究中心主任、中国图学学会理事长、清华大学学术委员会副主任、中华人民共和国最高人民法院信息化专家咨询委员会常务副主任。先后获得国家高技术研究发展计划先进个人、国家级有突出贡献的中青年专家、北京市教育创新标兵、北京市高等学校教学名师、北京市优秀教师等称号，国家级精品课“软件工程”责任教授。 长期从事计算机图形学、计算机辅助设计、软件系统建模与验证及软件工程与系统的教学、研究、开发工作，负责研制了具有自主知识产权的二维CAD系统、三维几何造型核心平台、产品数据全生命周期管理系统及企业信息化集成系统 (EIS) 等大型软件，并在数百家大中型企业中得到应用，为推动我国制造业信息化、提升我国软件产业化能力做出了贡献。 主页：https://www.thss.tsinghua.edu.cn/faculty/sunjiaguang.htm
学术带头人 赵曦滨，长聘副教授、博士生导师，清华大学信息系统安全教育部重点实验室副主任，清华大学-中央国债登记结算有限责任公司金融信息科技创新联合研究院院长，清华大学-中车四方所智能装备工业物联网联合研究中心副主任。科技部“十二五”863先进制造领域重大项目“核心软件”总体专家组成员，“十四五”国家重点研发计划“社会治理与智慧社会科技支撑”专家。CCF高级会员、IEEE高级会员、中国自动化学会高级会员、中国自动化学会智能制造专业委员会委员、中国城市轨道交通协会装备认证技术委员会委员、中国指挥与控制学会时空安全信息服务专业委员会常务委员。长期致力于企业信息化、工业网络安全和智能制造领域的理论与实践研究。近年来，作为负责人和主要参与者主持或参与省部级以上项目40余项，其中包括25项国家级项目（863、973和自然科学基金）、9项省部级科研项目及1项全国博士后基金项目。在国内外重要学术会议及期刊上发表了210余篇学术论文，其中80余篇被SCI和EI收录，总被引次数超过3500次。出版合作专著1部，申请100余项发明专利，其中获得授权的有50余项。荣获省部级科技进步一等奖4项、二等奖3项和三等奖1项。
主页：https://www.thss.tsinghua.edu.cn/faculty/zhaoxibin.htm Google学术：https://scholar.google.com/citations?user=V_X2hn4AAAAJ&hl=en 邮箱：zxb@tsinghua.edu.cn
万海，博士，清华大学软件学院副研究员，清华大学-中央国债登记结算有限责任公司金融信息科技创新联合研究院副院长。研究方向为信息安全、网络安全、工业网络、形式化方法、实时系统等，作为负责人/子课题负责人承担国家自然基金委重点项目、重大仪器项目、北京市科技计划重大项目、国家科技部支撑计划项目、广东省重点研发计划；作为骨干参与了十一五、十二五国家科技支撑计划，国家自然科学基金重大项目，国家科技重大专项等在内的多项国家课题；作为负责人承担了多项校企合作项目。在S&P、TIFS、NeurIPS、TON、TCAD、TPAMI、TIE、TII等国际顶级会议和期刊上发表论文 70余篇，授权专利50余项。与工业界合作紧密，相关系统已经在多家企业得到实际应用和批量应用。获得清华软件奖、日内瓦国际发明展“评审团特别嘉许金奖”、交通运输协会科技奖二等奖，中车科技进步奖一等奖一项、三等奖，上海市科技进步奖三等奖，中国航空学会科学技术奖三等奖，中国电工技术学会科技进步奖一等奖、CCF中国高校计算机教育大会教学案例大赛一等奖。
主页：https://www.thss.tsinghua.edu.cn/faculty/wanhai.htm Google学术：https://scholar.google.com/citations?user=Qg0Xq9wAAAAJ&hl=en 邮箱：wanhai@tsinghua.edu.cn
博士研究生 陈昌骅2021级 倪志彬2022级 席昊2022级 彭贻豪2023级 魏日升2023级 李霄翔2024级 许智威2024级 陈岳2025级 马彪2025级 硕士研究生 2025级 常新宇 高佳宝 胡家田 李吉洲 刘张毅 彭小林 王嘉旭 阎禹辰 袁胜利 张一驰 2024级 陈江旺 刘畅 穆新宇 邱天 张成骅 张程皓 张景润 王子宁 毕业校友 2026届 樊志睿（硕士）毕业去向：ACT GO LIMITED 汪世恒（硕士）毕业去向：百度 吴奕鸣（硕士）毕业去向：腾讯科技（北京）有限公司 戴声濯（硕士）毕业去向：柳州市大数据局 朱子震（硕士）毕业去向：易方达基金管理有限公司 党浩然（硕士）毕业去向：阿里巴巴 吴雨娟（硕士）毕业去向：上海天演私募基金管理有限公司 蒋欣雨（硕士）毕业去向：算秩未来 张博（硕士）毕业去向：华为 2025届 林航（博士）毕业去向：极感科技有限公司 吴都（硕士）毕业去向：腾讯 张童鑫（硕士）毕业去向：阿里巴巴饿了么 赖杰绍（硕士）毕业去向：广东电网有限责任公司 程志阳（硕士）毕业去向：卡尔斯鲁厄理工学院读博 朱金宇（硕士）毕业去向：国家电网 时辰轩（硕士）毕业去向：华为 颜廷震（硕士）毕业去向：美国东北大学读博 杨兆宝（硕士）毕业去向：中国科学技术大学读博 王子琪（硕士）毕业去向：陕西煤业化工集团有限责任公司 张郁璇（硕士）毕业去向：字节跳动 袁沈阳（硕士）毕业去向：字节跳动 樊攀（硕士）毕业去向：徐州市委市政府 杨乐佳（硕士）毕业去向：中国农业发展银行 王震（硕士）毕业去向：内蒙古电力（集团）有限责任公司 2024届 张轩诚（博士）毕业去向：博世 梁若舟（硕士）毕业去向：华为 姜禹（硕士）毕业去向：腾讯 蔡泽斌（硕士）毕业去向：深圳公务员 孙逸伦（硕士）毕业去向：scitix 马易颜（硕士）毕业去向：腾讯 姜春飞（硕士）毕业去向：美团 谭仁轩（硕士）毕业去向：美团 陶洪元（硕士）毕业去向：腾讯 李晓佳（硕士）毕业去向：快手 胡浩（硕士）毕业去向：快手 2023届 蔡挺（硕士）毕业去向：字节跳动 王瑞华（硕士）毕业去向：微软 谢韬（硕士）毕业去向：字节跳动 周泽龙（硕士）毕业去向：华为 2022届 陆犇圆（硕士）毕业去向：华为 吕永康（硕士）毕业去向：美团 2021届 王楠（博士）毕业去向：北京交通大学 崔浩（硕士）毕业去向：阿里云
2026 Yihao Peng, Yiming Wu, Du Wu, Shouling Ji, Hai Wan, Xibin Zhao. APIEcho: Training-less Anomaly Detection via Intra-API Behavioral Comparison for Web Applications. IEEE Symposium on Security and Privacy (IEEE S&P). 2026. CCF A Hao Xi, Yibin Han, Xiaoxiang Li, Jingwei Song, Zhenwei Zhang, Hai Wan, Xibin Zhao. Detecting and Characterizing APT Attacks in the Open World. IEEE International Conference on Parallel and Distributed Systems (ICPADS). 2026. CCF C Zhenhao Zhu, Yue Liu, Zhiwei Xu, Yingwei Ma, Hongcheng Gao, Nuo Chen, Yanpei Guo, Wenjie Qu, Huiying Xu, Zifeng Kang, Xinzhong Zhu, Jiaheng Zhang.
“侦攻防溯”“教学评研”一体化软件平台DART DART是一个集侦、攻、防、溯及教、学、评、研一体化的课程创新研发平台。通过系统化教学、实战式学习、综合性评价与数智化科研解决网络安全教育过程中存在的痛点和难点。 DART平台具备快速构建场景的能力，内置逾百种常见CVE漏洞的漏洞库，并涵盖超过300个针对不同行业和应急情况设计的网络安全靶标库。平台配备直观的可视化编辑工具，用户可轻松定制和更新实验场景，结合丰富的科研资源和自动化编排功能，高效创建接近真实环境的攻防实验环境，有效推动教学与科研活动的发展。 DART平台具备面向实战的课程编排体系。平台提供高度逼真的教学环境，运用虚拟化技术将网络攻防理论无缝转化为实践操作。其核心特色是以Kill Chain模型和MITRE ATT&CK框架为指导，构建全面的知识和技能体系，帮助学习者深入理解从侦察到行动各个阶段的操作。 DART平台具备针对知识的内容管理功能，精心设计了内容难度等级划分，确保课程能够系统化地覆盖从基础知识到高级技能，为不同层次的高等教育机构提供全面的教学支持。平台通过场景与模板管理功能，支持快速构建与调整网络攻防环境，并结合自动化编排机制，显著提升了教学活动的灵活性和效率，提供强大的实践支撑。此外，平台引入课程场景分享机制，鼓励教师间共享资源，如预先设计的实验场景、漏洞数据库、攻防工具集及相关文献资料，促进跨校乃至跨地区的知识交流与合作，构建开放、协作的学习生态，进一步丰富教学内容，提升教学质量。 DART平台通过提供一个安全、可控的虚拟实验环境，使学生能够在靶场中学习安全技术，并通过攻防演练提升他们的安全意识和技能。这种真实的靶场实践体验不仅增强了学生的实践能力，还具有高度的交互性。此外，平台还提供了真实的科研场景，促使学生在科研实践中不断发现新问题，激发新的科研想法，实现自我突破。为了帮助学生更快速地掌握靶场操作技能，平台配备了新手引导、FAQ以及操作步骤的逐步提示等辅助功能，确保实践的安全性，并提高教学的效率和效果。配图展示了实验场景实例、新手引导和逐步操作提示，直观地呈现了平台的实践教学功能。 DART平台不仅提供了高交互性、安全可靠的实践环境，还特别注重学习过程中主动知识的推送。学生无需额外硬件或软件支持，通过易用的靶场操作设计，轻松完成网络安全的实践与学习任务。平台通过智能化的学习资源推荐和知识点建议，帮助学生系统化地学习和掌握网络安全知识，提高学习效率。此外，学生可以回顾和查看自己的操作记录，发现问题并不断自我突破，从而加深对实践操作的理解和记忆。DART平台还提供学生作业提交、实验报告撰写以及攻击Flag填写等功能，旨在提升学生的学习参与度和实践能力。通过直观的工具，学生能够更清晰地记录和反思自己的学习过程，进一步巩固和应用所学知识。 通过严格的场景隔离，DART平台确保学生在进行网络安全实践时不会影响外部网络环境，并避免受到外部攻击。此外，细粒度的权限控制使教师能够根据学生需求和学习进度，灵活调整访问权限，实现个性化教学。平台还不断进行安全加固，包括系统补丁更新、访问控制和日志监控，以提高系统的安全性和可靠性。DART通过技术手段实现对实践环境的监控和管理，为学生提供一个安全、可靠的学习环境。 DART平台通过教学与科研的互补，不仅在教学过程中培养学生的创新精神和实践能力，还激发学生的科研灵感，实现教学对科研的赋能。DART提供易用的科研工具，使学生能够在教学中发现问题，并探索初步解决方案，逐步形成成熟的科研思路。此外，教学科研一体化的平台设计使学生能够从简单的教学场景出发，不断扩展和深化，迅速提升至更复杂的科研场景。DART平台支持自动化溯源图构建功能，有助于学生和研究人员在科研过程中进行数据采集和分析，为科研工作提供稳定、安全的智能支持。 DART是一款挖掘灵感、面向数据、稳定安全的智能采集分析科研平台，旨在覆盖数据采集、处理与分析的全过程。其数据采集处理解析工具实现了对数据的全方位处理，以满足安全教学、实践和科研需求。多源数据聚合引擎能够自动从多个不同的数据源中收集数据，进行自动化清洗与去重，并对其进行深入分析。平台提供的多机融合溯源图功能，可视化地展现事件链路的全局视野，从而提升对场景理解的直观性，并赋能异常检测和攻击调查等算法。 DART是一款挖掘灵感、面向数据、稳定安全的智能采集分析科研平台，能够稳定、安全地进行场景运维。实时监控和管理功能确保能够及时发现并处理实验中出现的问题和异常情况，保障实验的安全与有效性。多种监控指标涵盖内存、CPU、网络和磁盘，多视角监控场景状态，同时可以查看集群状态信息，精确定位问题所在。场景容灾技术在事故发生时能够快速响应，采取相应措施恢复正常运行。 赵曦滨老师教授的《网络与信息安全技术》课程采用DART作为其实践平台。该课程获评清华大学精品课程，并荣获清华大学教学优秀奖、清华大学研究生院教学改革立项，以及CCF中国高校计算机教育大会CCEC2024教学案例大赛一等奖。DART平台还顺利支撑了2023年湖南省大学生计算机程序设计竞赛-网络攻防邀请赛的圆满举行。 研究小组在教学改革实践中，为学生提供了深入的指导，形成了一系列具有代表性的成果。具体包括在顶尖学术会议和期刊上发表的论文、获得的发明专利和软件著作权，以及各类竞赛奖项，比如第48届日内瓦国际发明展“评审团特别嘉许金奖”。
团队科研愿景：面向全场景的软件智能自愈与全链路安全体系
科研项目 基于通用大模型的云边端多模型高效协同机制及算法研究，广东省重点领域研发计划项目
大规模定制化生产中异常管控与决策理论，国家重点研发计划
工业软件组件通用模型、理论及其应用方法研究，国家自然科学基金委广东省联合基金重大项目
输变电设各表征缺陷的视频图像检测平台研制，国家重大科研仪器设备研制专项
微处理器敏捷设计方法关键技术研究，国家自然科学基金委湖南省联合基金
离散制造过程人工智能驱动的优化与控制，国家自然科学基金委广东省联合基金
工业过程数据实时获取与知识自动化，国家自然科学基金委广东省联合基金
智能制造业物联网的数据感知、传输与海量数据处理，国家自然科学基金委广东省联合基金
工业场景多源异构数据异常自适应检测研究，国家自然科学基金委面上项目
面向领域的MANET服务访问可靠性研究，国家自然科学基金委面上项目
支撑个性化业务链的轨道交通装备制造企业数据空间构建方法与技术，国家重点研发计划
面向未来的高效轻量化环境友好列车系统技术与装备，国家重点研发计划
列车控制与信息服务网络（TCSN）关键技术及系统研制，科技部支撑计划
轨道交通装备基础软件和保障工具研发，国家科技重大专项（核高基）
城市轨道交通装备信号系统检测及安全评估公共服务平台，工信部科技项目
工业网络控制系统在轨道交通行业的应用示范，工信部电子发展基金
面向工业控制实时网络的软件定义理论与关键技术研发，广东省重点领域研发计划项目
铁路列车网络控制系统MVB通信控制器研制，北京市科委轨道交通技术创新和产业发展项目
联合研究机构项目 清华大学（软件学院）—九疆电力建设（陕西）有限公司电力系统智能化创新技术联合研究中心
清华大学—中央国债登记结算有限责任公司金融信息技术创新联合研究院
清华大学—中车青岛四方车辆研究所有限公司智能装备工业物联网联合研究中心
清华大学网络安全态势感知团队 我们的研究小组是一个开放包容、氛围和谐的团队，诚挚邀请积极进取、主动性强、踏实可靠，并怀有学术理想的青年才俊加入。欢迎志同道合的同学申请实习生、硕士生、博士生或博士后。
目前，2025年9月入学名额如下（更新时间2024年7月21日）：
博士生：0名
硕士生：5名
我们团队专注于解决软件安全领域的前沿问题，研究方向包括多源安全数据采集、安全数据精简压缩、基于数据和学习的异常检测、多源融合的攻击溯源、软件缺陷定位与修复、安全大模型等。使用的技术涉及但不限于机器学习、软件逆向、符号执行、自动化测试和形式化方法等。 在联系之前，请确保你对上述研究方向和技术领域具有浓厚的兴趣和热情。我们鼓励申请者提前到研究小组进行为期两周的访问交流，以便更好地了解团队情况。通过考核后，我们将基于双方的最佳匹配做出最终决定。 联系方式 地址：北京市海淀区清华大学东配楼
邮编：100084
电话：010-62797017
邮箱：zxb@tsinghua.edu.cn（赵老师），wanhai@tsinghua.edu.cn（万老师）
科研与技术创新奖项 2019年，江苏省科学技术进步奖，二等奖
2019年，中国中车科学技术奖，三等奖
2019年，KDD CUP AutoML Track，第四名
2021年，清华软件奖
2022年，中国中车科学技术奖，一等奖
2022年，广东省科学技术进步奖，一等奖
2023年，中国航空工业集团有限公司科学技术奖，三等奖
2023年，中国航空学会科学技术奖，三等奖
2023年，上海市科技进步奖，三等奖
2023年，中国交通运输协会科学技术奖，二等奖
2023年，日内瓦国际发明展“评审团特别嘉许金奖”
2023年，中国电工技术学会科技进步奖，一等奖
2023年，电力科学技术奖，三等奖
2023年，中国自动化学会科技进步奖，一等奖
2025年，北京市科学技术奖技术发明奖，二等奖
2025年，天津市科技进步奖，一等奖
2025年，中国机械工业联合会的机械工业科学技术奖，二等奖
2026年，清华软件奖
教学与人才培养奖项 2023年，“挑战杯”首都大学生课外学术科技作品竞赛主体赛，特等奖
2023年，“挑战杯”全国大学生课外学术科技作品竞赛，一等奖
2023年，清华大学教学优秀奖
2023年，“网络与信息安全技术”获评清华大学精品课程
2024年，CCF中国高校计算机教育大会，教学案例大赛，一等奖
2025年，湖南省高等教育（本科）教学成果奖，二等奖
2025年，清华大学教学成果，一等奖
2025年，清华大学刘冰奖
2026年，全国高校“人工智能+”计算机教育大会教学案例大赛，特等奖
